RetailRocket 추천 시스템 EDA 리포트

목표: 사용자 행동 기반 상품 추천 시스템 구축을 위한 데이터 분석
핵심 기능: 클릭/장바구니/구매 이력을 기반으로 한 비슷한 제품 추천

📊 1. 데이터 기본 구조

2,756,101

events 행 수

20,275,902

item_properties 행 수

1,669

category_tree 행 수

👥 2. 사용자 행동 패턴 분석

👤 사용자 유형 분포

buyer: 11,719명 (0.83%)

1,407,580

총 사용자

1,236,032

카테고리 선호도 보유 사용자

🎯 3. 아이템 유사도 특성 분석

449,240

분석된 아이템 수

399,425

카테고리 정보 보유 아이템

🏆 상위 인기 아이템 (Top 10)

아이템 ID	인기도 점수 (view:1, addtocart:3, transaction:10)	전환율 (%)	카테고리
461686	4787.0	5.24	1037.0
187946	3416.0	0.00	1393.0
5411	2352.0	0.00	789.0
7943	2097.0	3.42	398.0
320130	2086.0	2.48	707.0
320130	2086.0	2.48	707.0
320130	2086.0	2.48	707.0
320130	2086.0	2.48	707.0
320130	2086.0	2.48	707.0
320130	2086.0	2.48	707.0

📊 4. 세션 기반 추천 분석

Events.csv에서 30분 이내의 이벤트이면 같은 세션으로 간주
세션 패턴은 view_only, cart_only, conversion 3가지로 분류
View Only: view 이벤트만 있을 때
Cart Only: transaction은 없지만 addtocart 이벤트가 있을 때
Conversion: transaction 이벤트가 하나라도 있을 때

1,761,675

총 세션 수

1.6

평균 세션 길이

1.3

세션당 평균 고유 아이템

🔄 세션 패턴 분포

view_only: 1,715,386개 세션 (97.37%)

cart_only: 31,992개 세션 (1.82%)

conversion: 14,297개 세션 (0.81%)

📊 5. 상세 분석 결과

==================================================
1. 데이터 기본 구조 파악
==================================================

EVENTS
   Shape: (2756101, ['timestamp', 'visitorid', 'event', 'itemid', 'transactionid'])
   Memory: 234.77 MB
   Columns: ['timestamp', 'visitorid', 'event', 'itemid', 'transactionid']

ITEM_PROPERTIES
   Shape: (20275902, ['timestamp', 'itemid', 'property', 'value'])
   Memory: 2743.19 MB
   Columns: ['timestamp', 'itemid', 'property', 'value']

CATEGORY_TREE
   Shape: (1669, ['categoryid', 'parentid'])
   Memory: 0.03 MB
   Columns: ['categoryid', 'parentid']

==================================================
2. 이벤트 로그 분석
==================================================

이벤트 타입 분포:
view: 2,664,312
addtocart: 69,332
transaction: 22,457

전환 퍼널:
   View → AddToCart: 2.60%
   AddToCart → Transaction: 32.39%
   View → Transaction: 0.84%

사용자 행동 수준:
   고유 방문자 수: 1,407,580
   총 이벤트 수: 2,756,101
   방문자당 평균 이벤트 수: 1.96

==================================================
3. 사용자 행동 패턴 분석
==================================================

사용자 유형 분포:
   browser: 1,368,715 (97.24%)
   cart_user: 27,146 (1.93%)
   buyer: 11,719 (0.83%)

카테고리 선호도가 있는 사용자: 1,236,032

==================================================
4. 아이템 유사도 특성 분석
==================================================

분석된 아이템 수: 449,240
카테고리가 있는 아이템: 399,425

상위 10개 인기 아이템:
 1. 아이템 461686: 인기도 4787.0, 전환율 5.24%
 2. 아이템 187946: 인기도 3416.0, 전환율 0.00%
 3. 아이템 5411: 인기도 2352.0, 전환율 0.00%
 4. 아이템 7943: 인기도 2097.0, 전환율 3.42%
 5. 아이템 320130: 인기도 2086.0, 전환율 2.48%
 6. 아이템 320130: 인기도 2086.0, 전환율 2.48%
 7. 아이템 320130: 인기도 2086.0, 전환율 2.48%
 8. 아이템 320130: 인기도 2086.0, 전환율 2.48%
 9. 아이템 320130: 인기도 2086.0, 전환율 2.48%
10. 아이템 320130: 인기도 2086.0, 전환율 2.48%

==================================================
5. 세션 기반 추천 분석
==================================================

세션 통계:
   총 세션 수: 1,761,675
   평균 세션 길이: 1.56 이벤트
   평균 세션 시간: 1.75 분
   평균 세션당 고유 아이템: 1.33

세션 패턴 분포:
   view_only: 1,715,386 (97.37%)
   cart_only: 31,992 (1.82%)
   conversion: 14,297 (0.81%)

==================================================
6. 이상 사용자 탐지
==================================================

이상치 탐지 결과:
   총 사용자 수: 1,407,580
   이상치 사용자 수: 301,101
   이상치 비율: 21.39%

📈 6. 통합 시각화

🌳 7. 카테고리 트리 네트워크

전체 카테고리 계층 구조

🌳 카테고리 트리 설명:
• 노드 필터링: 연결이 많은 주요 카테고리들만 표시
• 라벨 최적화: 연결이 많은 노드(5개 이상)만 라벨 표시하여 텍스트 겹침 방지
• 색상 개선: Viridis 색상 스케일로 연결 수에 따른 색상 구분
• 크기 조정: 연결 수에 따라 노드 크기가 동적으로 조정 (8-25px 범위)
• 엣지 투명도: 얇고 투명한 엣지로 시각적 복잡성 감소
• 호버 정보: 각 카테고리의 자식/부모 카테고리 수와 총 연결 수 표시
• 추천 활용: 카테고리 기반 추천 시스템에서 상위/하위 카테고리 관계 파악에 활용

📊 리포트 생성 시간: 2025-10-29 08:54:04

🔍 분석 도구: Python, Pandas, Plotly